本书共有8章，第1章深度学习简介，概要介绍了深度学习相关知识，包括人工智能的诞生，深度学习的概念与特点，深度学习的发展历史和应用现状，以及深度合成技术的作用；第2章搭建深度学习开发环境，总结了已有的主流深度学习框架，演示了深度学习开发环境的搭建过程，并简要介绍深度学习项目开发常用的Python库；第3章图像处理技术，从数字图像的组成开始，介绍采用OpenCV演示图像处理中的基本操作以及人脸检测算法的使用方法；第4章神经网络基础，利用神经网络游乐场网站导入神经网络的基本概念和作用，对神经网络基础结构和原理进行概述，并以MNIST手写数字识别为示例演示神经网络的具体实现；第5章卷积神经网络，介绍卷积神经网络的基本组成，并通过一些典型的网络结构说明卷积神经网络的发展变化，以CIFAR-10数据分类演示卷积神经网络的具体使用；第6章图像合成，概括了图像处理的常见方式，简要介绍主动检测和被动检测的方式和特点，并对深度学习在图像合成分析检测的应用现状进行分析和总结；第7章生成式深度学习，介绍了生成模型的基本概念以及应用于生成式深度学习的两种主要技术：变分自动编码器和生成对抗网络；第8章深度合成，介绍深度合成技术的基本原理，详细阐述深度合成检测技术的现状和实现方法。

吴剑教授，山东大学博士、博士后，美国密歇根大学人工智能实验室访问学者，山东省计算机学会网络空间安全专业委员会委员，电子数据司法鉴定人，校网络空间安全专业带头人，校电子物证鉴定研究中心、网络信息安全与取证青年学术创新团队负责人。主持完成国家自然科学基金项目1项，山东省自然科学基金项目1项，国家博士后科学基金重点项目1项、面上项目1项。济南市科技发展计划项目1项，山东省高校科研发展计划项目2项。

第1章 深度学习简介
1.1 人工智能与深度学习
1.1.1 人工智能的诞生
1.1.2 什么是深度学习
1.2 深度学习的前世今生
1.2.1 深度学习的发展历史
1.2.2 深度学习的应用场景
1.3 深度合成
第2章 搭建深度学习开发环境
2.1 深度学习框架
2.1.1 Theano
2.1.2 Caffe
2.1.3 Torch
2.1.4 MXNet
2.1.5 TensorFlow
2.1.6 Keras
2.1.7 PvTorch
2.1.8 框架选择
2.2 硬件平台
2.2.1 个人电脑
2.2.2 租用云GPU服务器
2.3 搭建深度学习开发环境
2.3.1 安装配置GPU加速库
2.3.2 AnacOnda
2.3.3 安装深度学习框架
2.4 Python类库简介
第3章 数字图像处理技术
3.1 数字图像组成
3.2 OpenCV
3.2.1 OpenCV的下载与安装
3.2.2 Opencv的功能模块
3.3 图像基本操作
3.3.1 图像文件读取与保存
3.3.2 图像显示
3.3.3 图像的色彩空间转换
3.3.4 视频图像提取
3.3.5 图像缩放与裁剪
3.3.6 图像旋转、平移和翻转
3.3.7 形态学转换
3.3.8 图像平滑
3.3.9 边缘检测
3.4 OpenCV人脸检测
第4章 神经网络基础
4.1 神经网络游乐场
4.1.1 初识游乐场
4.1.2 数据集分类
4.2 神经网络结构
4.2.1 神经元与感知器
4.2.2 激活函数
4.2.3 网络训练
4.2.4 损失函数
4.3 手写数字识别
4.3.1 MNIST数据集
4.3.2 数据预处理
4.3.3 定义网络模型
4.3.4 网络训练
4.3.5 网络测试
4.4 过拟合
4.4.1 训练误差和泛化误差
4.4.2 过拟合与欠拟合
4.4.3 超参数与验证集
4.4.4 抑制过拟合
第5章 卷积神经网络
5.1 卷积神经网络组成
5.1.1 LeNet网络结构
5.1.2 卷积层
5.1.3 池化层
5.1.4 复现LeNet
5.2 典型卷积神经网络结构
5.2.1 AlexNet
5.2.2 VGGNet
5.2.3 G∞gLeNet
5.2.4 ResNet
5.2.5 DenseNet
5.3 CIFAR-10数据分类
5.3.1 CIFAR-10数据集
5.3.2 迁移学习
5.3.3 基于VGG的冈像分类
第6章 图像合成
6.1 图像处理方式分类
6.2 图像合成检测方法
6.2.1 主动检测
6.2.2 被动检测
6.3 基于深度学习的分析方法
6.3.1 图像合成数据集
6.3.2 平滑滤波检测
6.3.3 成像设备检测
6.3.4 JPEG压缩检测
6.3.5 重采样检测
第7章 生成式深度学习
7.1 生成模型
7.1.1 牛成模型简介
7.1.2 自动编码器
7.1.3 变分自动编码器
7.2 生成对抗网络GAN
7.2.1 GAN的基本结构
7.2.2 牛成器
7.2.3 判别器
7.2.4 对抗网络
7.2.5 GAN的训练
7.3 GAN的变体
7.3.1 CGAN
7.3.2 DCGAN
7.3.3 CycleGAN
第8章 深度合成
8.1 深度合成原理
8.2 深度合成分析
8.2.1 深度合成检测挑战赛
8.2.2 深度合成数据集
8.2.3 深度合成检测方法
8.3 深度合成检测实战
8.3.1 检测系统框架
8.3.2 MTCNN人脸检测
8.3.3 数据预处理
8.3.4 网络模型构建
8.3.5 模型训练与测试